畢業(yè)論文-短期智能負(fù)荷預(yù)測(cè)系統(tǒng)

HUNANUNIVERSITY畢業(yè)論文論文題目短期智能負(fù)荷預(yù)測(cè)系統(tǒng)基于人工神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)學(xué)生姓名學(xué)生學(xué)號(hào)專業(yè)班級(jí)學(xué)院名稱電氣與信息工程學(xué)院指導(dǎo)老師學(xué)院院長(zhǎng)2005年 5月日 湖南大學(xué)畢業(yè)設(shè)計(jì)(論文)第=1\*ROMANI頁(yè) 短期智能負(fù)荷預(yù)測(cè)系統(tǒng)摘要電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是電力企業(yè)一項(xiàng)重要的工作，預(yù)測(cè)的結(jié)果將對(duì)變電站、水火發(fā)電廠的合理配置、安全設(shè)備的維修以及電網(wǎng)經(jīng)濟(jì)調(diào)度、能量傳播，還有發(fā)電機(jī)組的生產(chǎn)計(jì)劃等產(chǎn)生巨大的影響。如今，隨著信息化的高速發(fā)展，社會(huì)各方面的不斷變化，對(duì)負(fù)荷預(yù)測(cè)精度的要求也越來(lái)越高，傳統(tǒng)的預(yù)測(cè)方法已經(jīng)再也不能滿足電力工業(yè)發(fā)展的需要，而以人工神經(jīng)網(wǎng)絡(luò)為代表的新的預(yù)測(cè)方法在負(fù)荷預(yù)測(cè)領(lǐng)域越來(lái)越顯示其巨大的優(yōu)越性。本文在研究了大量文獻(xiàn)資料的基礎(chǔ)上，介紹了人工神經(jīng)網(wǎng)絡(luò)的基本理論及特征，特別是BP神經(jīng)網(wǎng)絡(luò)；通過(guò)學(xué)習(xí)BP網(wǎng)絡(luò)算法和具體步驟，分析影響電力負(fù)荷的各種重要因素，構(gòu)建了一個(gè)三層結(jié)構(gòu)的BP網(wǎng)絡(luò)模型，并確定BP網(wǎng)絡(luò)的輸入層、隱含層及輸出層的節(jié)點(diǎn)數(shù)，并用歷史負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)電力系統(tǒng)的短期負(fù)荷進(jìn)行了預(yù)測(cè)，并取得了較好的預(yù)測(cè)結(jié)果。使用人工神經(jīng)網(wǎng)絡(luò)法的預(yù)測(cè)結(jié)果相對(duì)于傳統(tǒng)使用的方法來(lái)說(shuō)，預(yù)測(cè)精度有了明顯的提高，由此證明了人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于短期負(fù)荷預(yù)測(cè)的有效性。關(guān)鍵詞：短期負(fù)荷預(yù)測(cè)，人工神經(jīng)網(wǎng)絡(luò)，BP算法湖南大學(xué)畢業(yè)設(shè)計(jì)(論文)第=2\*ROMANII頁(yè)IntelligentShort-termLoadForecastingSystymABSTRACTPowersystemshort-termloadforecastingisaveryimportantpartinelectricpowerdispatching,theresultofforecastingwillhaveagreateffectongeneratorproductionplan,thepowerallocation,fuelallocationandsafetyanalysisofequipmentrepairandshort-termgridenergypropagation.Intheinformatizationconstructionisboomingtoday,traditionalartificialforecasthasbeenincreasinglyunabletomeettheneedsofelectricpowerindustrialdevelopment,andthenewpredictionmethodbasedonartificialneuralnetworkastherepresentativehasincreasinglyshownitsgreatsuperiority.Basedonalotofliterature,thispaperintroducesthebasictheoryandcharacteristicsofartificialneuralnetwork,especiallyBPneuralnetwork;ThroughthestudyofBPnetworkalgorithmandspecificsteps,analysisofvariousimportantfactorsofelectricpowerload,theconstructionofathreelayerBPnetworkmodelhasbeensetup,anddetermineBPnetworknodenumberofinputlayer,hiddenlayerandoutputlayer,andusinghistoricalloaddatatraining,theshort-termloadforecastingofthepowersystemissuccessfulground.Theaccuracyofthepredictionresultshasgreatlyimprovedthatiscomparedwiththetraditionalmethod,itprovesthevalidityofthefieldofartificialneuralnetworksinpredictionofshort-termpowerload.Keywoeds:shorttermloadforecasting,neutalnetwork,algorithmofBP湖南大學(xué)畢業(yè)設(shè)計(jì)(論文)第=3\*ROMANIII頁(yè) 目錄TOC\o"1-3"\h\u11297HUNANUNIVERSITY 頁(yè)1緒論1.1預(yù)測(cè)的目的及意義至今為止，電力系統(tǒng)已發(fā)展成為了一個(gè)大型網(wǎng)絡(luò)，它能給世界上的每個(gè)國(guó)家提供能源與動(dòng)力。它的作用不僅僅是為用戶提供電能使用，更重要的是，它能夠確保電能的優(yōu)質(zhì)性及持續(xù)穩(wěn)定性。電力系統(tǒng)負(fù)荷預(yù)測(cè)是電力行業(yè)做電力規(guī)劃工作的關(guān)鍵組成部分，同時(shí)也是制定發(fā)電計(jì)劃的重要基礎(chǔ)。負(fù)荷預(yù)測(cè)可以用于進(jìn)行系統(tǒng)充裕性評(píng)估、合同電力配合、發(fā)電合同制定、電價(jià)預(yù)測(cè)、實(shí)時(shí)調(diào)度和預(yù)測(cè)調(diào)度等工作，它不但使系統(tǒng)安全、可靠運(yùn)行，也提高了系統(tǒng)的經(jīng)濟(jì)性[1]。目前，社會(huì)對(duì)電力的需求量日益增多，只有正確地預(yù)測(cè)出電力需求量及電力負(fù)荷，才能確定電廠應(yīng)發(fā)的電量以及應(yīng)使用的燃料量，或者是安排輸變電設(shè)備及發(fā)電機(jī)組的檢修計(jì)劃等。同時(shí)確定電網(wǎng)在各段計(jì)劃期內(nèi)需要增加的發(fā)電、輸電以及變電的設(shè)備容量，從而獲得最大的經(jīng)濟(jì)效益。因此，準(zhǔn)確的負(fù)荷預(yù)測(cè)是實(shí)行電力市場(chǎng)的首要任務(wù)和基本條件，作好這一工作對(duì)電力行業(yè)具有重大意義。 1.2目前研究現(xiàn)狀 負(fù)荷預(yù)測(cè)是指根據(jù)系統(tǒng)的運(yùn)行特性及增容決策、社會(huì)影響、自然條件等諸多因數(shù)，在滿足一定精度的要求下，預(yù)測(cè)未來(lái)的負(fù)荷值[2][3]。負(fù)荷預(yù)測(cè)可以根據(jù)目的的不同分為：長(zhǎng)期、中期、短期及超短期負(fù)荷預(yù)測(cè)。其中短期負(fù)荷預(yù)測(cè)是指周負(fù)荷預(yù)測(cè)或日負(fù)荷預(yù)測(cè)，其在電網(wǎng)經(jīng)濟(jì)調(diào)度運(yùn)行和發(fā)電機(jī)組啟停方面，具有十分重要的意義。由于負(fù)荷精度對(duì)發(fā)電機(jī)組運(yùn)行及系統(tǒng)經(jīng)濟(jì)調(diào)度方面具有很大影響，因此，負(fù)荷預(yù)測(cè)的精度越高，越有利于電廠的經(jīng)濟(jì)運(yùn)行。一般情況下，我們都是根據(jù)負(fù)荷的歷史記錄資料和它現(xiàn)在的數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)的負(fù)荷值的，當(dāng)歷史資料記錄不完整或是丟失時(shí)，將會(huì)使預(yù)測(cè)的未來(lái)負(fù)荷不準(zhǔn)確，這也致使負(fù)荷預(yù)測(cè)所研究的目標(biāo)是一件不肯定事件。由于負(fù)荷一般都會(huì)受到系統(tǒng)內(nèi)部設(shè)備檢修、氣候變化及用戶負(fù)荷的隨機(jī)變動(dòng)等干擾因數(shù)的影響，具有不確定性、時(shí)間性、條件性和多樣性等特點(diǎn)。因此，作為短期負(fù)荷預(yù)測(cè)，就得考慮多種影響因素，具備精確的負(fù)荷歷史資料，并且能夠確立相關(guān)的數(shù)學(xué)模型來(lái)表示當(dāng)前負(fù)荷與過(guò)去負(fù)荷以及各種干擾因數(shù)之間的關(guān)系。于是在多年的研究與探討，得出如灰色理論、專家預(yù)測(cè)、人工神經(jīng)網(wǎng)絡(luò)等建模方法。因此，要根據(jù)生產(chǎn)實(shí)踐中的實(shí)際情況來(lái)選擇相應(yīng)的預(yù)測(cè)方法。(1)時(shí)間序列法[4]時(shí)間序列法是較為常見(jiàn)的短期負(fù)荷預(yù)測(cè)的方法，它主要是通過(guò)收集歷史數(shù)據(jù)，然后根據(jù)這些歷史數(shù)據(jù)所呈現(xiàn)出來(lái)的某種特性，去確立某種相關(guān)模型來(lái)表示產(chǎn)生實(shí)際數(shù)據(jù)的隨機(jī)過(guò)程，并使用這種相關(guān)的模型對(duì)負(fù)荷進(jìn)行預(yù)測(cè)。它主要是利用了電力負(fù)荷變動(dòng)在時(shí)間上的連續(xù)性以及其特有的慣性特征，并通過(guò)對(duì)歷史數(shù)據(jù)時(shí)間上的分析處理，確定其變化規(guī)律及基本特征，從而預(yù)測(cè)未來(lái)負(fù)荷。時(shí)間序列法具有的一個(gè)較好的優(yōu)點(diǎn)是計(jì)算速度快，并且能夠很好地反映負(fù)荷的近期變化。但其對(duì)原始時(shí)間序列的穩(wěn)定性要求高，不能夠完全考慮天氣等因素的影響，并且當(dāng)原始的時(shí)間序列不能夠滿足平穩(wěn)性的要求時(shí)，建模就會(huì)出現(xiàn)較大的不確定性，此時(shí)就要對(duì)數(shù)據(jù)進(jìn)行平穩(wěn)化處理，直至?xí)r間序列滿足平穩(wěn)性要求，此過(guò)程比較繁瑣。(2)回歸分析法[5]回歸分析法是指通過(guò)負(fù)荷的歷史數(shù)據(jù)，從歷史數(shù)據(jù)中的因果關(guān)系出發(fā)，運(yùn)用數(shù)理學(xué)中的回歸分析來(lái)研究各個(gè)變量之間的變化情況及其發(fā)展趨勢(shì)，從中建立起能夠反映其中變化的數(shù)學(xué)模型，并用這個(gè)模型對(duì)未來(lái)負(fù)荷進(jìn)行預(yù)測(cè)。由于回歸分析法的外推特性比較好，其可靠性較一般的時(shí)間序列法和直觀分析法高，所以對(duì)于過(guò)去從未出現(xiàn)的情況也能做出較為準(zhǔn)確的預(yù)測(cè)，可以用于長(zhǎng)期、中期及短期的負(fù)荷預(yù)測(cè)。但是由于它對(duì)歷史數(shù)據(jù)要求較高，當(dāng)用簡(jiǎn)單的線性方法來(lái)分析較為復(fù)雜的情況時(shí)，往往會(huì)出現(xiàn)較大的誤差[4]。(3)灰色系統(tǒng)預(yù)測(cè)法[6][7]所謂灰色系統(tǒng)預(yù)測(cè)法指的是利用已經(jīng)知道的部分明確的信息，形成必要的有限的序列及相應(yīng)的微分方程，尋找各個(gè)參數(shù)之間的規(guī)律，從而導(dǎo)出不明確信息的發(fā)展方向的分析方法，是多種影響因子共同作用的結(jié)果。由于這種方法是采用生成模塊的方式來(lái)鏟除掉隨機(jī)變量的，所以在預(yù)測(cè)中實(shí)際存在的不穩(wěn)定性或是有大量的隨機(jī)特性的，它都能夠適應(yīng)，并且較回歸預(yù)測(cè)法，它所需要的原始數(shù)據(jù)要少。一般來(lái)說(shuō)，灰色系統(tǒng)預(yù)測(cè)法可以適用于任意的非線性負(fù)荷預(yù)測(cè)，但有一點(diǎn)不足的是它的微分方程解較適合于具有增長(zhǎng)趨勢(shì)的負(fù)荷預(yù)測(cè)，且它的預(yù)測(cè)精度跟被預(yù)測(cè)的對(duì)象的變化規(guī)律有很大的關(guān)系，當(dāng)原始數(shù)據(jù)的變化情況波動(dòng)較大時(shí)，預(yù)測(cè)的精度往往不大理想，此時(shí)不宜用此方法來(lái)進(jìn)行預(yù)測(cè)。(4)專家系統(tǒng)方法專家系統(tǒng)就是積累了大量的專門知識(shí)和專家經(jīng)驗(yàn)的一種人工智能推理的系統(tǒng)。它通過(guò)對(duì)數(shù)據(jù)庫(kù)里存放的歷史負(fù)荷數(shù)據(jù)還有天氣情況等進(jìn)行細(xì)致的分析，再匯集了有專業(yè)負(fù)荷預(yù)測(cè)人員的知識(shí)，從中提取有關(guān)的規(guī)則，再借助專家系統(tǒng)，識(shí)別預(yù)測(cè)日所屬的類型，并考慮其他影響因素等，進(jìn)而進(jìn)行判斷、決策，進(jìn)而對(duì)負(fù)荷進(jìn)行預(yù)測(cè)。使用專家系統(tǒng)方法，能夠?qū)λ占某Ｒ?guī)的建模進(jìn)行評(píng)估決策，并且對(duì)于突發(fā)事件的影響，系統(tǒng)可以避免負(fù)荷的計(jì)算，作出最佳的預(yù)測(cè)結(jié)果。但是由于其需要對(duì)數(shù)據(jù)進(jìn)行精確分析，所有耗時(shí)較長(zhǎng)，通用性也較差，并且缺乏自學(xué)能力和自適應(yīng)能力。需要將其與其他方法結(jié)合，才能得出令人滿意的結(jié)果。(5)神經(jīng)網(wǎng)絡(luò)理論[8][9]目前使用較多的是神經(jīng)網(wǎng)絡(luò)法，所謂的神經(jīng)網(wǎng)絡(luò)就是由大量的神經(jīng)元構(gòu)成，網(wǎng)絡(luò)就是通過(guò)這些神經(jīng)元之間的相互作用來(lái)實(shí)現(xiàn)信息處理的。對(duì)于具有相似的負(fù)荷模型，比如需要考慮氣象、節(jié)日等各種干擾因素的影響時(shí)，其預(yù)測(cè)的精度就比較高。另外，由于神經(jīng)網(wǎng)絡(luò)具有很好的函數(shù)逼近能力以及很強(qiáng)的映射關(guān)系、自學(xué)習(xí)能力，因此它能很方便地?cái)M合出具有比較復(fù)雜關(guān)系的非線性系統(tǒng)，在應(yīng)用于短期負(fù)荷預(yù)測(cè)方面具有很大的前景。但是，它也存在著自身的缺點(diǎn)，即沒(méi)有很快的學(xué)習(xí)速度、記憶不穩(wěn)定性、知識(shí)表達(dá)困難等，以致于使調(diào)度人員難以充分利用以往經(jīng)驗(yàn)中存在的模糊知理論。隨著經(jīng)濟(jì)、政治的發(fā)展，電力市場(chǎng)也在不斷地完善，負(fù)荷預(yù)測(cè)在電力市場(chǎng)中的地位日漸顯現(xiàn)，并且對(duì)負(fù)荷精度的要求也是越來(lái)越高。由于傳統(tǒng)的預(yù)測(cè)方法比較地成熟，其預(yù)測(cè)結(jié)果不容忽視，對(duì)未來(lái)的預(yù)測(cè)多少會(huì)起到一定的參考作用。但要我們并不能滿足于目前的現(xiàn)狀，而是要追求更高的精度要求，使負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)或是社會(huì)有更大的效益，這就需要對(duì)傳統(tǒng)方法作一些改進(jìn)。目前，隨著科技地不斷進(jìn)步，特別是計(jì)算機(jī)技術(shù)日益精湛，加上理論研究方面的深入，這為負(fù)荷預(yù)測(cè)的發(fā)展提供了可靠的數(shù)學(xué)基礎(chǔ)和堅(jiān)實(shí)的理論依據(jù)。特別是人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，其適于解決時(shí)間序列問(wèn)題，一但應(yīng)用于負(fù)荷預(yù)測(cè)領(lǐng)域，將會(huì)使預(yù)測(cè)精度得到進(jìn)一步提高。1.3本文的主要研究?jī)?nèi)容(1)首先了解負(fù)荷預(yù)測(cè)的目的及意義，并研究了其目前的發(fā)展?fàn)顩r等，對(duì)負(fù)荷預(yù)測(cè)有個(gè)根本的理解。(2)介紹負(fù)荷預(yù)測(cè)的基本概念，負(fù)荷的分類及特點(diǎn)等，并且分析了影響負(fù)荷的各種因素，研究負(fù)荷預(yù)測(cè)的基本步驟等。 (3)介紹人工神經(jīng)網(wǎng)絡(luò)的基本概念，包括它的特征和模型等，使我們對(duì)人工神經(jīng)網(wǎng)絡(luò)有個(gè)初步的了解，詳細(xì)介紹了BP網(wǎng)絡(luò)的學(xué)習(xí)算法及步驟，對(duì)BP神經(jīng)網(wǎng)絡(luò)有了詳盡的了解。(4)從歷史數(shù)據(jù)的選擇、網(wǎng)絡(luò)結(jié)構(gòu)的建立及輸入數(shù)據(jù)的處理等幾個(gè)方面介紹了使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行短期負(fù)荷預(yù)測(cè)的網(wǎng)絡(luò)建模問(wèn)題。(5)確定了所謂負(fù)荷建模的相關(guān)因數(shù)，建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，使用實(shí)際負(fù)荷進(jìn)行預(yù)測(cè)，并使用MATLAB軟件對(duì)模型進(jìn)行仿真，得到預(yù)測(cè)日24小時(shí)的預(yù)測(cè)結(jié)果，并對(duì)此結(jié)果進(jìn)行誤差分析。2短期負(fù)荷預(yù)測(cè)的概論目前，隨著經(jīng)濟(jì)、政治的不斷發(fā)展，電力市場(chǎng)已經(jīng)成為電力行業(yè)不可缺少的一部分。在此基礎(chǔ)上，負(fù)荷預(yù)測(cè)也漸漸成為電力市場(chǎng)能量管理系統(tǒng)中非常重要的組成部分，并成為保證電力系統(tǒng)可靠、經(jīng)濟(jì)運(yùn)行所必需的手段之一。在電力市場(chǎng)的條件下，精確的負(fù)荷預(yù)測(cè)已經(jīng)成為實(shí)行電力市場(chǎng)的首要任務(wù)及基本條件，對(duì)此，對(duì)負(fù)荷預(yù)測(cè)也提出了更為嚴(yán)格的要求，它不再僅僅是能量管理系統(tǒng)的重要部分，更是成為了制定電力交易計(jì)劃的關(guān)鍵。2.1負(fù)荷預(yù)測(cè)的概念 負(fù)荷預(yù)測(cè)就是根據(jù)系統(tǒng)的增容決策、負(fù)荷特性、社會(huì)及自然條件等諸多因素，并在滿足給定的精度要求下，確定未來(lái)某一時(shí)刻的負(fù)荷值，其中負(fù)荷指的是電力的用電量或者是電力需求量（功率）；負(fù)荷預(yù)測(cè)既是電力市場(chǎng)能量管理系統(tǒng)中不可或缺的重要組成部分，也是電力系統(tǒng)經(jīng)濟(jì)調(diào)度中一項(xiàng)至關(guān)重要的內(nèi)容[10]。2.2負(fù)荷預(yù)測(cè)的分類及其特點(diǎn)不同的用電部門或是用電單位，甚至是使用不一樣的用電設(shè)備等，對(duì)用電方式或是用電需求量都有著明顯的差異。因此在統(tǒng)計(jì)綜合用電量或是在電力系統(tǒng)規(guī)劃中作負(fù)荷預(yù)測(cè)時(shí)，我們并沒(méi)有大量的時(shí)間或是精力去研究每個(gè)部門或每個(gè)用電單位的用電量及用電特點(diǎn)，而是針對(duì)各個(gè)區(qū)域的用電情況，分別采取相應(yīng)的分類方法，將其負(fù)荷進(jìn)行分類，再根據(jù)不同的負(fù)荷類型對(duì)它們進(jìn)行詳盡地分析和研究，預(yù)測(cè)出它們變化及發(fā)展的趨勢(shì)，最后在此預(yù)測(cè)的基礎(chǔ)上，運(yùn)用綜合技術(shù)手段對(duì)其進(jìn)行綜合地研究與預(yù)測(cè)，從而得到相應(yīng)的負(fù)荷預(yù)測(cè)結(jié)果。至今為止，我國(guó)的電力行業(yè)采用過(guò)的分類方法具有多種，可根據(jù)不同的研究目的來(lái)采取不同的方法，一般情況下，電力部門現(xiàn)行的負(fù)荷分類方法是按用電部門的屬性及按負(fù)荷預(yù)測(cè)的時(shí)間長(zhǎng)短劃分。2.2.1按用電部門的屬性劃分負(fù)荷預(yù)測(cè)一般可以分為商業(yè)負(fù)荷、城市居民用負(fù)荷、工業(yè)負(fù)荷、農(nóng)業(yè)負(fù)荷以及其他負(fù)荷等，負(fù)荷類型的不同，增長(zhǎng)的規(guī)律或是特性指標(biāo)也不同。其主要影響因數(shù)是家用電器、節(jié)假日、季節(jié)變化及氣溫等。隨著經(jīng)濟(jì)的日益發(fā)展，國(guó)民經(jīng)濟(jì)結(jié)構(gòu)在不斷地變化，用電量也會(huì)隨之不斷地改變，為了能更好地跟上國(guó)家發(fā)展，與國(guó)際慣例接軌，可將用電種類分為：工業(yè)用電、農(nóng)林水利用電、居民生活用電及其他事業(yè)用電等四類。2.2.2按負(fù)荷預(yù)測(cè)的時(shí)間長(zhǎng)短劃分 一般說(shuō)來(lái)，負(fù)荷預(yù)測(cè)可根據(jù)預(yù)測(cè)時(shí)間從長(zhǎng)到短的順序分為：長(zhǎng)期、中期、短期及超短期負(fù)荷預(yù)測(cè)。一般我們所說(shuō)的超短期負(fù)荷預(yù)測(cè)的預(yù)測(cè)時(shí)間是幾分鐘、一刻鐘、半小時(shí)或是一個(gè)小時(shí)，其預(yù)測(cè)的時(shí)間相對(duì)較短，主要是用于電力市場(chǎng)的經(jīng)濟(jì)運(yùn)行或是實(shí)時(shí)電力調(diào)度。短期負(fù)荷預(yù)測(cè)一般是指周負(fù)荷預(yù)測(cè)及日負(fù)荷預(yù)測(cè)，分別用于安排周調(diào)度計(jì)劃及日調(diào)度計(jì)劃，主要是確定電力系統(tǒng)的運(yùn)行方式，包括水火電協(xié)同、負(fù)荷經(jīng)濟(jì)分配、水庫(kù)調(diào)度、聯(lián)絡(luò)線交換功率、及設(shè)備檢修等。中期負(fù)荷預(yù)測(cè)指月至年的負(fù)荷預(yù)測(cè)，它主要是用于制訂電力系統(tǒng)的長(zhǎng)期運(yùn)行方式或是擴(kuò)建規(guī)劃，還可用于確定機(jī)組運(yùn)行以及設(shè)備的大修計(jì)劃等。長(zhǎng)期負(fù)荷預(yù)測(cè)是指以年為時(shí)間單位的負(fù)荷預(yù)測(cè)，一般是指未來(lái)的3~5年，由于是長(zhǎng)時(shí)間內(nèi)的負(fù)荷預(yù)測(cè)，所以未來(lái)負(fù)荷與國(guó)民經(jīng)濟(jì)及國(guó)家政策有著極大的關(guān)系，要特別注意國(guó)家發(fā)展趨勢(shì)對(duì)其影響。長(zhǎng)期負(fù)荷預(yù)測(cè)主要是用于電網(wǎng)改造或是擴(kuò)建工作的遠(yuǎn)景計(jì)劃。2.3負(fù)荷預(yù)測(cè)的特征2.3.1短期負(fù)荷預(yù)測(cè)的特征 一般情況下電力系統(tǒng)在正常的條件下，其所輸出的功率則主要是受用戶的需求量所影響。對(duì)于一個(gè)比較確定的用戶，一般情況下，在沒(méi)有出現(xiàn)什么特別重大的用電需求時(shí)，它對(duì)負(fù)荷的需求量基本上是確定的，具有一定的用電規(guī)律。但是換做是一個(gè)大的系統(tǒng)，情況會(huì)有所不同，大用戶的用電需求量具有不確定性。甚至就算是在一個(gè)短時(shí)間段內(nèi)，也常表現(xiàn)為過(guò)去負(fù)荷的一種隨機(jī)起伏，與近期內(nèi)過(guò)去的負(fù)荷具有密切的關(guān)系?；蛘呖梢哉f(shuō)是下一個(gè)預(yù)測(cè)的未來(lái)負(fù)荷值基本上是由過(guò)去負(fù)荷的情況所決定，但它還受到其他干擾因素的影響，比如天氣變化、用戶用電量的隨機(jī)起伏以及系統(tǒng)內(nèi)部設(shè)備檢修等。因此，在作短期負(fù)荷預(yù)測(cè)時(shí)，首先必須具備精確的歷史負(fù)荷數(shù)據(jù)，并能夠建立起某種數(shù)學(xué)模型，此模型能夠明確地表示當(dāng)前負(fù)荷與過(guò)去負(fù)荷還有其他干擾因素之間的關(guān)系。根據(jù)負(fù)荷歷史記錄資料，分析其存在的變化規(guī)律，可以看出：負(fù)荷除了具有周期性外，還具有明顯的隨機(jī)特性。負(fù)荷具有以季、以周甚至是以日為周期變化的特點(diǎn)，并且這種周期性與記錄的時(shí)間長(zhǎng)短有關(guān)，通常情況下，此種周期的清晰性與負(fù)荷記錄的時(shí)間成正比關(guān)系。因此，作短期負(fù)荷預(yù)測(cè)時(shí)，為了能夠得出更精準(zhǔn)的預(yù)測(cè)結(jié)果，就要分析過(guò)去歷史記錄資料，研究過(guò)去幾年的負(fù)荷數(shù)據(jù)，只有這樣，才可能將負(fù)荷變化的周期性體現(xiàn)在分析中。綜上所述，電力系統(tǒng)短期負(fù)荷預(yù)測(cè)作為一個(gè)非平穩(wěn)的時(shí)間序列，其具有以下特征：(1)周期性。負(fù)荷具有以季、周甚至是日為周期變化的特點(diǎn)，小周期被“嵌套“在大周期中。(2)負(fù)荷序列的波動(dòng)幅度與時(shí)間的長(zhǎng)短成正比。相對(duì)應(yīng)于較長(zhǎng)的時(shí)間段，其波動(dòng)幅度也較大，反之，波動(dòng)幅度則較小。(3)非平穩(wěn)性。序列存在著方差，且方差是發(fā)散的，具有漸增趨向。2.4短期負(fù)荷的特性分析 要對(duì)電力系統(tǒng)的負(fù)荷進(jìn)行預(yù)測(cè)，使預(yù)測(cè)的精度更加準(zhǔn)確，那么就要了解負(fù)荷的特性，了解負(fù)荷特性的變化規(guī)律及發(fā)展趨勢(shì)等。電力系統(tǒng)的負(fù)荷既有其自身發(fā)展的規(guī)律性，也有其變化的不確定性。比如，從周一至周五，負(fù)荷變化自有其相似性，到了周六和周日，又有它們各自的變化規(guī)律；在一年四季之內(nèi)，氣象條件差異較大，負(fù)荷又隨著天氣變化有其一定的變化規(guī)律；在其不確定方面，如意外事故或特殊事件的發(fā)生，或者是天氣異常變化、環(huán)境變化等，都會(huì)使負(fù)荷發(fā)生變化。因此，在預(yù)測(cè)負(fù)荷時(shí)，既要兼顧其內(nèi)在的變化規(guī)律，又要顧及其他因素的影響，特別是那些不確定因素。通過(guò)大量數(shù)據(jù)的分析和研究，得出短期負(fù)荷預(yù)測(cè)可由以下幾個(gè)部分組成：典型負(fù)荷分量特性、天氣敏感型負(fù)荷分量特性、特殊事件負(fù)荷分量特性及隨機(jī)負(fù)荷分量特性。2.4.1典型負(fù)荷分量特性典型負(fù)荷分量的主要特點(diǎn)是其負(fù)荷具有周期性的變化規(guī)律，其主要是由負(fù)荷種類和負(fù)荷成分所占的比重兩部分組成。由于不同的組成負(fù)荷在這兩個(gè)方面的不同，決定了它們具有不同的基本的負(fù)荷特性，也導(dǎo)致了它們對(duì)各種影響因素具有不同的反映，從而表現(xiàn)出不同的響應(yīng)特性，主要有日周期性、周周期性、季周期性、年周期性及節(jié)假日特性等。我們認(rèn)為典型負(fù)荷分量是短期負(fù)荷的重要組成部分。2.4.2天氣敏感型負(fù)荷分量特性影響負(fù)荷的天氣因素主要有：溫度、降雨、日照等等。不同的天氣因素對(duì)負(fù)荷預(yù)測(cè)的影響是不一樣的，且不同時(shí)段的天氣因素對(duì)負(fù)荷預(yù)測(cè)的影響也是不同。一般情況下，冬夏時(shí)期的負(fù)荷要比春秋時(shí)期的負(fù)荷要高。2.4.3特殊事件負(fù)荷分量特性特殊事件對(duì)短期負(fù)荷預(yù)測(cè)來(lái)說(shuō)是不可忽視的一部分，天氣異常變化或重大特殊事件的發(fā)生都會(huì)引起極端負(fù)荷，這些影響因素具有不確定性，難以預(yù)測(cè)，因此，我們要想預(yù)測(cè)的精度更加的準(zhǔn)確，就要研究歷史記錄，了解負(fù)荷隨機(jī)變化的規(guī)律。2.4.4隨機(jī)負(fù)荷分量特性一般我們所說(shuō)的隨機(jī)分量就是那些不遵循規(guī)律的那部分分量，但是這些分量可以通過(guò)模型或是算法來(lái)考慮。從本質(zhì)上來(lái)說(shuō)，負(fù)荷序列就是一個(gè)隨機(jī)序列，其存在著諸多隨機(jī)因素，并不能夠準(zhǔn)確預(yù)測(cè)的，但可將其考慮在模型中。2.5電力系統(tǒng)負(fù)荷預(yù)測(cè)2.5.1負(fù)荷預(yù)測(cè)的基本程序負(fù)荷預(yù)測(cè)的基本程序如下：確定預(yù)測(cè)目標(biāo)首先根據(jù)所要預(yù)測(cè)的內(nèi)容和對(duì)象，明確預(yù)測(cè)的目標(biāo)，即要明確預(yù)測(cè)的目的以及所要解決的問(wèn)題，同時(shí)也要明確預(yù)測(cè)的范圍及預(yù)測(cè)的期限。收集、分析、整理有關(guān)資料情報(bào)資料是預(yù)測(cè)的基本依據(jù)。當(dāng)要對(duì)需電量以及用電負(fù)荷進(jìn)行預(yù)測(cè)時(shí)，需要了解預(yù)測(cè)地區(qū)國(guó)民經(jīng)濟(jì)及社會(huì)的發(fā)展情況，了解當(dāng)?shù)貧v年用電情況、用電結(jié)構(gòu)、電力系統(tǒng)現(xiàn)有情況等，除此之外，還得收集當(dāng)?shù)氐貐^(qū)經(jīng)濟(jì)增長(zhǎng)速度以及其影響因素、自然資源及動(dòng)力資源情況、大型用戶遠(yuǎn)景用電計(jì)劃、單位產(chǎn)品的綜合耗電定額以及其他變化因素等；研究各主要變電站的頻率、電壓以及各無(wú)功設(shè)備的安裝容量、運(yùn)行情況等，對(duì)它們進(jìn)行系統(tǒng)性的統(tǒng)計(jì)及分析，并且還要了解各種類型用戶的負(fù)荷特性及它們的用電情況，把握其發(fā)展規(guī)律。對(duì)于已經(jīng)收集的歷史數(shù)據(jù)以及記錄、統(tǒng)計(jì)的資料，需要對(duì)其進(jìn)行合理的分析整理，達(dá)到去粗取精、去偽存真的目的。選擇預(yù)測(cè)方案在確定預(yù)測(cè)目標(biāo)、對(duì)象、預(yù)測(cè)的精度要求后，根據(jù)掌握情報(bào)資料的情況，確定較適合的預(yù)測(cè)方案，且確立相應(yīng)的數(shù)學(xué)模型。通常情況，定性預(yù)測(cè)是總結(jié)及分析過(guò)去經(jīng)驗(yàn)，而定量預(yù)測(cè)則需要收集較完備數(shù)據(jù)，因此，它對(duì)資料的要求較嚴(yán)格，但預(yù)測(cè)精度也相應(yīng)較高。在進(jìn)行負(fù)荷預(yù)測(cè)時(shí)，為了得到較準(zhǔn)確的預(yù)測(cè)結(jié)果，應(yīng)盡量使用多種預(yù)測(cè)方法，定性與定量相結(jié)合，并且要分析各種方法的預(yù)測(cè)結(jié)果，找出其中原因，使預(yù)測(cè)結(jié)果更傾于準(zhǔn)確和實(shí)際。(4)進(jìn)行預(yù)測(cè)的編制需要根據(jù)已經(jīng)有的資料和建立起的數(shù)學(xué)模型，對(duì)預(yù)測(cè)目標(biāo)進(jìn)行預(yù)測(cè)，得出不同時(shí)期內(nèi)的電力負(fù)荷預(yù)測(cè)結(jié)果，填寫相應(yīng)負(fù)荷計(jì)劃、報(bào)表，并繪制相應(yīng)曲線等。(5)進(jìn)行預(yù)測(cè)的滾動(dòng)修正隨著時(shí)間的推移，經(jīng)濟(jì)、政治、氣候等環(huán)境條件的不斷變化，預(yù)測(cè)結(jié)果不可能完全與實(shí)際值相同，甚至?xí)乖械念A(yù)測(cè)模型不再足以反映預(yù)測(cè)目標(biāo)的發(fā)展趨勢(shì)。這就需要我們對(duì)各種影響因素進(jìn)行分析、總結(jié)，及時(shí)地對(duì)原有數(shù)值或是預(yù)測(cè)模型進(jìn)行較核、修正，將誤差減至最小。2.5.2短期負(fù)荷預(yù)測(cè)的流程圖根據(jù)以上負(fù)荷預(yù)測(cè)的基本步驟，可得到相應(yīng)的負(fù)荷預(yù)測(cè)流程圖如圖2.1所示：開(kāi)始開(kāi)始確定預(yù)測(cè)目標(biāo)收集、分析、整理有關(guān)資料選擇預(yù)測(cè)方法，建立預(yù)測(cè)模型模型辨識(shí)與參數(shù)估計(jì)負(fù)荷預(yù)測(cè)誤差分析校正與改進(jìn)模型輸出負(fù)荷預(yù)測(cè)值結(jié)束是否圖2.1短期負(fù)荷預(yù)測(cè)的基本流程圖2.5.3負(fù)荷預(yù)測(cè)的誤差分析負(fù)荷預(yù)測(cè)模型是對(duì)統(tǒng)計(jì)資料的一種概括，因而它在一定程度上呈現(xiàn)了經(jīng)驗(yàn)資料內(nèi)部結(jié)構(gòu)的一般特征，其與具體的結(jié)構(gòu)并不是完全一致，因此，都會(huì)在一定程度上產(chǎn)生誤差。對(duì)此，我們需要研究誤差產(chǎn)生的原因，并且分析誤差的大小及其影響因素，從而認(rèn)識(shí)預(yù)測(cè)結(jié)果的精確程度。經(jīng)過(guò)各種分析總結(jié)，可以將產(chǎn)生誤差的原因概括為以下幾個(gè)方面：（1）在預(yù)測(cè)的過(guò)程中，我們所采用的模型一般都是主要考慮影響負(fù)荷的主要因素，對(duì)于影響較小的因素，我們都忽略了，這只是一種簡(jiǎn)單化了的負(fù)荷狀態(tài)的反映，與實(shí)際的負(fù)荷之間存在著差距，因此多少都會(huì)產(chǎn)生誤差。（2）負(fù)荷預(yù)測(cè)的方法具有多種，但并不是每一種都能夠正確反映實(shí)際負(fù)荷，因此當(dāng)選擇的方法不恰當(dāng)是時(shí)也會(huì)產(chǎn)生誤差。（3）預(yù)測(cè)中要用到歷史資料進(jìn)行訓(xùn)練和測(cè)試，當(dāng)各種歷史資料、數(shù)據(jù)不完善或不準(zhǔn)確時(shí)也會(huì)使預(yù)測(cè)結(jié)果出現(xiàn)偏差。（4）某種意外事故的發(fā)生或者是某種情況的突然改變也會(huì)對(duì)預(yù)測(cè)結(jié)果產(chǎn)生影響。以上各種原因引起的誤差疊加起來(lái)可能會(huì)使呈現(xiàn)出最終的誤差很大，當(dāng)誤差過(guò)大時(shí)就要考慮以上各種原因，逐一查找，加以改正。3人工神經(jīng)網(wǎng)絡(luò)的基本理論神經(jīng)網(wǎng)絡(luò)是指由大量的處理單元聯(lián)結(jié)而成的一種網(wǎng)絡(luò)，它通過(guò)網(wǎng)絡(luò)內(nèi)部大量神經(jīng)元之間的相互連接來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)的信息處理，此種連接形式類似于大腦神經(jīng)突觸的聯(lián)結(jié)結(jié)構(gòu)。由于神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的映射能力和自學(xué)習(xí)能力，所以很多復(fù)雜的非線性關(guān)系都可以通過(guò)它來(lái)擬合。因此，它能使用于電力系統(tǒng)的短期負(fù)荷預(yù)測(cè)。3.1人工神經(jīng)網(wǎng)絡(luò)的介紹3.1.1人工神經(jīng)網(wǎng)絡(luò)的基本概念 人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork,即ANN），早在20世紀(jì)80年代就成為了人工智能領(lǐng)域興起的一個(gè)研究熱點(diǎn)。它是從信息處理的角度出發(fā)，對(duì)人腦的神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象處理，從而建立起某種簡(jiǎn)單的數(shù)學(xué)模型，并按照不同的連接方式構(gòu)成不同的網(wǎng)絡(luò)。通常情況下，都將它稱為神經(jīng)網(wǎng)絡(luò)或是類神經(jīng)網(wǎng)絡(luò)。作為一種運(yùn)算模型，它是由大量的神經(jīng)元相互聯(lián)結(jié)組成。每一個(gè)神經(jīng)元?jiǎng)t代表了某種特定的輸出函數(shù)，這些輸出函數(shù)一般稱為激勵(lì)函數(shù)。且每?jī)蓚€(gè)神經(jīng)元之間的連接都代表了通過(guò)該兩神經(jīng)元連接信號(hào)的加權(quán)值，一般稱之為權(quán)重。人工神經(jīng)網(wǎng)絡(luò)是對(duì)人腦的模擬，而它的記憶就是神經(jīng)元之間的加權(quán)值，對(duì)于網(wǎng)絡(luò)的輸出，則主要是受網(wǎng)絡(luò)的連接方式、激勵(lì)函數(shù)和權(quán)重值的影響，當(dāng)這三者中有任一個(gè)不同時(shí)，網(wǎng)絡(luò)也將會(huì)有不同的輸出值。而網(wǎng)絡(luò)自身通常代表了對(duì)某種函數(shù)或某種算法的逼近，也有可能是對(duì)某種邏輯策略的表達(dá)。3.1.2人工神經(jīng)網(wǎng)絡(luò)的基本特征一般所說(shuō)的人工神經(jīng)網(wǎng)絡(luò)都是由大量的處理單元互相聯(lián)而構(gòu)成的網(wǎng)絡(luò)，其是一個(gè)具有非線性和自適應(yīng)能力的信息處理系統(tǒng)。在更早的時(shí)期，人們已經(jīng)在神經(jīng)科學(xué)領(lǐng)域上有所研究，而人工神經(jīng)網(wǎng)絡(luò)就是在現(xiàn)有的神經(jīng)科學(xué)研究成果上提出的。網(wǎng)絡(luò)通過(guò)內(nèi)部大量神經(jīng)元之間的相互連接來(lái)實(shí)現(xiàn)信息處理，由各個(gè)神經(jīng)元之間連接權(quán)值的演變過(guò)程來(lái)決定網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程。一般人工神經(jīng)網(wǎng)絡(luò)的基本特征有以下幾個(gè)：人工神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性系統(tǒng)非線性關(guān)系是自然界普遍存在的一種特性，人腦的智慧就是其中一種。我們常見(jiàn)的人工網(wǎng)絡(luò)神經(jīng)元一般是處于抑制或是激活這兩種不同的狀態(tài)的，神經(jīng)元的這種行為在數(shù)學(xué)上所呈現(xiàn)出來(lái)的就是一種非線性關(guān)系。具有閥值的神經(jīng)元形成的網(wǎng)絡(luò)可以提高存儲(chǔ)容量和容錯(cuò)性，因此具有更好的性能。(2)神經(jīng)網(wǎng)絡(luò)具有非局限性由于神經(jīng)網(wǎng)絡(luò)是由多個(gè)處理單元相互聯(lián)結(jié)構(gòu)成，以至個(gè)系統(tǒng)的整體行為也受多個(gè)因素的影響?？梢哉f(shuō)是單個(gè)單元對(duì)網(wǎng)絡(luò)的整體功能影響是比較微小的，整個(gè)網(wǎng)絡(luò)功能不可能也不僅僅是只受某個(gè)神經(jīng)元的特征所影響，更有可能是由各神經(jīng)元之間的相互連接、相互作用所決定。因此，當(dāng)網(wǎng)絡(luò)中的某個(gè)點(diǎn)或是幾個(gè)點(diǎn)遭到損壞時(shí)，系統(tǒng)還是可以正常工作的，它并不受到局部限制的影響。(3)神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自適應(yīng)能力及學(xué)習(xí)能力在特定的條件下，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)很容易受微小環(huán)境變化的影響，但是它能夠通過(guò)自動(dòng)調(diào)節(jié)神經(jīng)元之間的權(quán)值來(lái)適應(yīng)環(huán)境的變化，即其具有自適應(yīng)能力。另外，它還能通過(guò)對(duì)歷史負(fù)荷數(shù)據(jù)的學(xué)習(xí)，訓(xùn)練出一個(gè)能反映未來(lái)負(fù)荷預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)的這種歸納及泛化能力，使得他具有很強(qiáng)的學(xué)習(xí)功能。(4)神經(jīng)網(wǎng)絡(luò)具有非凸性。所謂的非凸性是指函數(shù)具有多個(gè)極值。一般情況，一個(gè)系統(tǒng)的演變方向是由多種因素決定的，但是在一定條件下，也可能取決于某一個(gè)特定的狀態(tài)函數(shù)。比如能量函數(shù)，這種函數(shù)的極值就會(huì)處于一個(gè)較為穩(wěn)定的狀態(tài)。若系統(tǒng)具有非凸性，那么其平衡態(tài)也較多，從而使系統(tǒng)演變具有多樣性。3.1.3網(wǎng)絡(luò)模型目前，將近100多種的神經(jīng)網(wǎng)絡(luò)模型已被提出。人工神經(jīng)網(wǎng)絡(luò)的模型一般主要考慮的是神經(jīng)元的特征、學(xué)習(xí)方式以及網(wǎng)絡(luò)結(jié)構(gòu)等。因此，可根據(jù)神經(jīng)網(wǎng)絡(luò)的這些學(xué)習(xí)方式、網(wǎng)絡(luò)結(jié)構(gòu)或是處理能力對(duì)其進(jìn)行分類。但目前使用較多的分類方式是根據(jù)它連接的拓?fù)浣Y(jié)構(gòu)，將其分為前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)。(1)前向網(wǎng)絡(luò) 前向網(wǎng)絡(luò)中的每個(gè)神經(jīng)元都接收前一級(jí)的輸入，并且輸出到下一級(jí)，網(wǎng)絡(luò)中并不存在反饋現(xiàn)象，此種網(wǎng)絡(luò)可由一個(gè)有向無(wú)環(huán)路圖來(lái)表示。網(wǎng)絡(luò)從輸入空間到輸出空間的變換實(shí)際上就是網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，此過(guò)程就實(shí)現(xiàn)了網(wǎng)絡(luò)之間各個(gè)單元的信號(hào)連接。一般前傳網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)并不復(fù)雜，容易實(shí)現(xiàn)。比較常見(jiàn)也比較典型的一種前傳網(wǎng)絡(luò)是反傳網(wǎng)絡(luò)。(2)反饋網(wǎng)絡(luò) 與前向網(wǎng)絡(luò)有所不同，反饋網(wǎng)絡(luò)內(nèi)部是存在反饋現(xiàn)象的，因此它可用一個(gè)無(wú)向環(huán)路圖來(lái)表示。這種網(wǎng)絡(luò)的信息處理即是狀態(tài)的變換，就是從一種狀態(tài)變換到另一種狀態(tài)，它可以用動(dòng)力學(xué)系統(tǒng)理論來(lái)處理。反饋網(wǎng)絡(luò)內(nèi)部系統(tǒng)的穩(wěn)定性跟它的聯(lián)想記憶功能息息相關(guān)。其中波耳茲曼機(jī)就是此種類型之一。3.2BP神經(jīng)網(wǎng)絡(luò)1986年，Rumelhart提出一種具有隱含層的多層前饋網(wǎng)絡(luò)，它是利用誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)，所以也簡(jiǎn)稱為BP（BankPropaagation）網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)，由于它可含有多層隱含層，因此成為目前負(fù)荷預(yù)測(cè)中使用最多的神經(jīng)網(wǎng)絡(luò)模型之一。若假設(shè)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為M，輸出的節(jié)點(diǎn)數(shù)為N，那么可以將此神經(jīng)網(wǎng)絡(luò)可看作是從M維歐式空間到N維歐式空間的映射，此種映射是高度非線性的。對(duì)于一個(gè)BP神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，它的隱含層及輸出層一般都是采用S激活函數(shù)，因此我們需要確定的量是網(wǎng)絡(luò)的層數(shù)以及各層的神經(jīng)元個(gè)數(shù)。事實(shí)證明：雙隱含層神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度會(huì)更高，一般在某些特殊的環(huán)境中使用，而一般的情況則都是使用單隱含層神經(jīng)網(wǎng)絡(luò)，因?yàn)閱坞[含層已經(jīng)可以逼近任意的連續(xù)函數(shù)，我們所謂的增加層數(shù)主要是為了更近一步地降低誤差，從而提高精度，使預(yù)測(cè)的結(jié)果更為準(zhǔn)確，但與此同時(shí)增加層數(shù)也會(huì)使網(wǎng)絡(luò)更加的復(fù)雜化，增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間。一般情況下，在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中都選用的是含有一個(gè)隱含層的三層BP網(wǎng)絡(luò)。對(duì)于三層結(jié)構(gòu)的BP網(wǎng)絡(luò)，我們只需確定其輸入層、隱含層及輸出層的神經(jīng)元個(gè)數(shù)即可。3.2.1神經(jīng)網(wǎng)絡(luò)的BP模型輸出模式如下圖為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，其由輸入層、隱含層和輸出層組成。輸出模式輸出層隱含層輸入層輸入模式 輸出層隱含層輸入層輸入模式圖3.1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖BP網(wǎng)絡(luò)采用誤差反向傳播訓(xùn)練方法，根據(jù)它的基本原理，其學(xué)習(xí)過(guò)程可由正向傳播及反向傳播兩個(gè)學(xué)習(xí)階段組成。其正向傳播階段，輸入的信息首先通過(guò)輸入層，再由輸入層由經(jīng)隱含層后向輸出層傳送，逐層進(jìn)行處理，并且每一層神經(jīng)元的狀態(tài)都會(huì)受到上一層神經(jīng)元的影響。若是在最后的輸出結(jié)果中不能得到期望的輸出值，則就會(huì)自動(dòng)進(jìn)入反向傳播階段，此過(guò)程中系統(tǒng)會(huì)將誤差信號(hào)以某種形式沿著輸出層由經(jīng)隱含層返回，再通過(guò)修整各個(gè)神經(jīng)元的閥值及權(quán)值，從而使誤差信號(hào)達(dá)到精度要求。3.2.2BP網(wǎng)絡(luò)學(xué)習(xí)算法BP算法的基本原理就是通過(guò)不斷地調(diào)整網(wǎng)絡(luò)的閥值和權(quán)值，使輸出值盡可能地接近期望值，當(dāng)輸出值與期望值之間的誤差小于某一誤差范圍時(shí)，停止對(duì)網(wǎng)絡(luò)的訓(xùn)練，并保存當(dāng)前網(wǎng)絡(luò)的閥值和權(quán)值，它是一種具有監(jiān)督式的學(xué)習(xí)算法。1．BP網(wǎng)絡(luò)前向傳播這里用一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在訓(xùn)練階段，設(shè)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為n個(gè)，隱含層神經(jīng)元個(gè)數(shù)為m個(gè)，用任意樣本p對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可得隱含層某個(gè)神經(jīng)元i的輸入如下：(i=1、2……m)(3.1)式中，Wij表示輸入層神經(jīng)元j和隱含層神經(jīng)元i之間的連接權(quán)值,、分別代表輸入層輸入節(jié)點(diǎn)j的輸入和輸出，表示的是隱含層神經(jīng)節(jié)點(diǎn)i的閥值，n表示輸入層具有的神經(jīng)節(jié)點(diǎn)個(gè)數(shù)，也就是網(wǎng)絡(luò)的輸入個(gè)數(shù)。隱含層的神經(jīng)元的輸出與輸入之間存在著某種函數(shù)關(guān)系，此關(guān)系表示為：(i=1……m)(3.2)由于某一層神經(jīng)元的狀態(tài)都會(huì)受到上一層神經(jīng)元的影響，所以隱含層第i個(gè)神經(jīng)元的輸出將會(huì)影響輸出層某個(gè)神經(jīng)元k的輸入，其將作為輸出層神經(jīng)元k的輸入之一，由此得輸出層某個(gè)神經(jīng)元k的總輸入如下：(k=1……n)(3.3)式中，Wik為輸出層神經(jīng)元k和隱含層神經(jīng)元i之間的連接權(quán)值；為輸出層神經(jīng)元的閥值，m即為隱含層的神經(jīng)元個(gè)數(shù)，n則是輸出個(gè)數(shù)。同理由神經(jīng)元輸出與輸入存在的函數(shù)關(guān)系，可得輸出層某個(gè)神經(jīng)元k的輸出如下： (k=1……n) (3.4)2．BP網(wǎng)絡(luò)反向傳播所謂BP算法的訓(xùn)練實(shí)際上就是將某一樣本加入到輸入層，按前傳法則，那么它將逐個(gè)影響到下一層神經(jīng)元的狀態(tài)，最終在輸出層上得到一個(gè)輸出值,當(dāng)這個(gè)輸出值和期望值不相符合時(shí)，網(wǎng)絡(luò)就會(huì)出現(xiàn)誤差信號(hào)。假設(shè)網(wǎng)絡(luò)的期望輸出為，實(shí)際值是，那么與之差的誤差信號(hào)將會(huì)由輸出層沿著隱含層向輸入層正連接權(quán)值，調(diào)整各個(gè)神經(jīng)元之間的權(quán)值，使誤差信號(hào)達(dá)到最小。對(duì)于每個(gè)樣本p的作用，得到誤差計(jì)算公式是：（3.5）對(duì)于輸出層，定義其神經(jīng)元的修整公式為：（3.6）定義（3.7）我們可通過(guò)以下公式對(duì)權(quán)值進(jìn)行修正，其中輸出層任一神經(jīng)元K的加權(quán)系數(shù)修正公式如下：（3.8）式中，為輸出層的輸出值，為期望的輸出值，為隱含層的輸出值。同上定義（3.9）這樣就得到隱含層某個(gè)神經(jīng)元i的加權(quán)系數(shù)修正公式為：（k=1……n）(3.10)其中，表示輸入層神經(jīng)元j的輸出值，也就是其輸入值，表示隱含層某個(gè)神經(jīng)元i的輸出值。同樣，可得到輸出層的任一神經(jīng)元k的加權(quán)系數(shù)公式為：(3.11)隱含層的任一神經(jīng)元i的加權(quán)系數(shù)公式為：(3.12)以上的計(jì)算過(guò)程是對(duì)連接權(quán)向量進(jìn)行修正，對(duì)于每個(gè)學(xué)習(xí)樣本都必須經(jīng)過(guò)以上學(xué)習(xí)，然后固定W值，再對(duì)樣本進(jìn)行計(jì)算，得到函數(shù)E：(3.13)當(dāng)E值滿足所給出的誤差精度時(shí)，系統(tǒng)就自動(dòng)停止對(duì)網(wǎng)絡(luò)的迭代，否則，又會(huì)再次進(jìn)行新一輪的迭代計(jì)算，一直到E值滿足精度要求為止。從上所述，可以看出BP算法的輸出量與輸入量之間存在著高度的非線性映射關(guān)系，它將影響平穩(wěn)序列的相關(guān)因數(shù)作為輸入量，平穩(wěn)序列則作為輸出量，通過(guò)已收集的歷史負(fù)荷數(shù)據(jù)作為學(xué)習(xí)樣本，利用網(wǎng)絡(luò)自身的自學(xué)習(xí)功能進(jìn)行學(xué)習(xí)，使在這個(gè)“學(xué)習(xí)“的過(guò)程中各個(gè)連接閥值及權(quán)值不斷地得到調(diào)整，最后使得到的神經(jīng)網(wǎng)絡(luò)存在著能夠映射出平穩(wěn)序列與其影響因素之間的隱含的非線性函數(shù)。BP算法同其他傳統(tǒng)的預(yù)測(cè)方法相比，它并不需要考慮太多變量之間的復(fù)雜關(guān)系或是為了能夠明確地表達(dá)這種復(fù)雜關(guān)系而建立起復(fù)雜的數(shù)學(xué)模型，因?yàn)檫@種復(fù)雜的關(guān)系能由網(wǎng)絡(luò)自動(dòng)“學(xué)習(xí)”出。3.2.3BP網(wǎng)絡(luò)學(xué)習(xí)的具體步驟（1）對(duì)數(shù)據(jù)樣本進(jìn)行規(guī)一化處理；（2）初始化：對(duì)加權(quán)系數(shù)進(jìn)行處理，置它們?yōu)檩^小的隨機(jī)數(shù)；（3）提供輸入向量以及期望輸出的訓(xùn)練樣本集；（4）計(jì)算出隱含層及輸出層的輸入、輸出；（5）計(jì)算出網(wǎng)絡(luò)輸出值與期望輸出值的誤差；（6）調(diào)整、修改輸出層及隱含層的加權(quán)系數(shù)；（7）返回(4)，循環(huán)上述步驟，一直到誤差滿足所設(shè)置的精度要求為止。4基于BP網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)使用人工神經(jīng)網(wǎng)絡(luò)對(duì)短期負(fù)荷進(jìn)行預(yù)測(cè)一般主要考慮一下兩個(gè)方面的內(nèi)容，一是要產(chǎn)生數(shù)據(jù)樣本集，數(shù)據(jù)樣本集主要包括變量的選擇、數(shù)據(jù)的收集、分析及數(shù)據(jù)的預(yù)處理等；二是要確定網(wǎng)絡(luò)的結(jié)構(gòu)及類型等，BP網(wǎng)絡(luò)模型是使用比較多且較成熟的模型，因此一般都是選擇BP網(wǎng)絡(luò)對(duì)短期負(fù)荷進(jìn)行預(yù)測(cè)。4.1歷史數(shù)據(jù)的選取 在使用神經(jīng)網(wǎng)絡(luò)對(duì)短期負(fù)荷進(jìn)行預(yù)測(cè)之前，第一步也是非常關(guān)鍵的一步就是要準(zhǔn)備歷史負(fù)荷數(shù)據(jù)。歷史數(shù)據(jù)是負(fù)荷預(yù)測(cè)的基本依據(jù)，當(dāng)歷史數(shù)據(jù)不夠充分或是出現(xiàn)不存在可學(xué)習(xí)的映射時(shí)，神經(jīng)網(wǎng)絡(luò)就可能找不到令人滿意的結(jié)果，只有當(dāng)對(duì)負(fù)荷數(shù)據(jù)進(jìn)行處理后，才有可能得到比較理想的預(yù)測(cè)結(jié)果。反之，使用未經(jīng)過(guò)處理的歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，有可能會(huì)得不到預(yù)期的結(jié)果，甚至可能導(dǎo)致預(yù)測(cè)失敗。確定輸入神經(jīng)網(wǎng)絡(luò)的輸入樣本數(shù)據(jù)，即應(yīng)該選取多少數(shù)據(jù)樣本。所選取的數(shù)據(jù)應(yīng)體現(xiàn)出系統(tǒng)的輸入輸出關(guān)系。選擇樣本數(shù)據(jù)或多或少都會(huì)對(duì)系統(tǒng)產(chǎn)生一定的影響，數(shù)據(jù)樣本選擇得太少可能不能滿足網(wǎng)絡(luò)訓(xùn)練所需要的信息從而得不到令人滿意的效果，如果數(shù)據(jù)樣本選擇太多就會(huì)使網(wǎng)絡(luò)訓(xùn)練時(shí)間加長(zhǎng)。因此，要選擇適當(dāng)?shù)臄?shù)據(jù)樣本以求得較好的訓(xùn)練結(jié)果。樣本的數(shù)據(jù)要能夠反映負(fù)荷的實(shí)際情況，一般情況下，都會(huì)考慮一些可能的替換值以建立訓(xùn)練集，使不同的網(wǎng)絡(luò)具有相同的結(jié)構(gòu)。 第三，考慮樣本的影響因素時(shí)，首要考慮對(duì)負(fù)荷影響較大的因素，比如天氣、節(jié)假日因素等。必要的時(shí)候應(yīng)該刪除那些對(duì)負(fù)荷影響較小的因素。4.2對(duì)影響因素的量化處理4.2.1溫度的量化在諸多天氣因素中，溫度是對(duì)負(fù)荷影響比較大的一方面。由于冬季和夏季用電量相對(duì)于春季和秋季來(lái)說(shuō)較多，因此電力負(fù)荷相對(duì)顯著增加。所有這里在眾多的天氣因素中主要考慮溫度方面，其對(duì)負(fù)荷的影響并沒(méi)有一定的規(guī)律性，即負(fù)荷與氣溫函數(shù)具有非線性關(guān)系。 由于在某一段溫度變化的范圍內(nèi)，溫度對(duì)負(fù)荷影響的差異是較小的，而當(dāng)溫度變化達(dá)到一定的而程度時(shí)，就會(huì)對(duì)負(fù)荷產(chǎn)生比較大的影響。因此，需要對(duì)溫度進(jìn)行處理，其分段和量化情況如圖4.1所示。-1.0-1.0-0.8-0.6-0.40(取值)-5051015253035(攝氏度)圖4.1溫度區(qū)間和對(duì)應(yīng)取值4.2.2降雨的量化處理由于降雨的多少對(duì)負(fù)荷也有一定的影響，因此在降雨方面，可分為無(wú)雨、小雨、中雨、大雨、暴雨及大暴雨六種，其量化處理如下圖所示:00.81.0(取值)0102050100（降雨量）小雨中雨大雨暴雨大暴雨圖4.2降雨分類及對(duì)應(yīng)取值4.2.3日照的量化處理根據(jù)光照的的不同，日照可以分為晴天、少云、多云、陰天及下雨五種情況，對(duì)它們進(jìn)行量化處理為晴天取1，少云天氣取2，多云天氣取3，陰天天氣取4，下雨天則取5。4.2.4日期的量化處理 由于負(fù)荷在不同的時(shí)期有不同的用電量，例如在工作日、周末及節(jié)假日等，其各自的用電量都不盡相同，特別是周末和節(jié)假日，所以負(fù)荷預(yù)測(cè)在這兩個(gè)日期容易產(chǎn)生誤差。在對(duì)它們進(jìn)行量化處理時(shí)，工作日取0，周末取1。這里并不考慮節(jié)假日或者是重大事故、異常事故對(duì)負(fù)荷的影響。4.3負(fù)荷數(shù)據(jù)的歸一化處理一般情況下，若沒(méi)有對(duì)負(fù)荷數(shù)據(jù)進(jìn)行處理而直接使用，則可能會(huì)出現(xiàn)長(zhǎng)時(shí)間才收斂的現(xiàn)象，這有可能出現(xiàn)飽和現(xiàn)象。為此，在預(yù)測(cè)之前要對(duì)負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理以減小網(wǎng)絡(luò)收斂次數(shù)。在使用S激活函數(shù)時(shí)，歸一化處理后輸入的負(fù)荷數(shù)據(jù)在區(qū)間（-1,1）之間。t時(shí)刻的負(fù)荷數(shù)據(jù)歸一化公式為：（4.1）在輸出的時(shí)候，則用（4.2）公式來(lái)?yè)Q算成負(fù)荷：(4.2)以上的式子中，Lmin和Lmax各代表了負(fù)荷數(shù)據(jù)集合中的最小值和最大值。4.4建立負(fù)荷模型4.4.1模型分類負(fù)荷模型一般分為以下三種： (1)工作日模型：從星期一到星期五這五天為工作日。(2)雙休日模型:星期六及星期天為雙休日。(3)節(jié)假日模型:如五一、國(guó)慶等節(jié)假日，在這里并不考慮這種模型。4.4.2BP網(wǎng)絡(luò)結(jié)構(gòu)的確定(1)輸入量和輸出量的確定 取預(yù)測(cè)日前6個(gè)相似日的24個(gè)數(shù)據(jù)樣本來(lái)構(gòu)成網(wǎng)絡(luò)的輸入矩陣。其中，t代表是預(yù)測(cè)日，t-x代表預(yù)測(cè)日的前x天，Li（）表示相似日的第i小時(shí)的歷史負(fù)荷值，M1，M2，M3則分別表示的是溫度、降雨及日照的情況（已經(jīng)取為處理后的值）。 輸出層的輸出值為預(yù)測(cè)日24小時(shí)的負(fù)荷值，如下：…(2)隱含層的確定本論文采用的是三層的BP網(wǎng)絡(luò)，因此只有一個(gè)隱含層。此隱含層節(jié)點(diǎn)數(shù)的選擇一般與輸入層和輸出層的節(jié)點(diǎn)數(shù)有密切關(guān)系。設(shè)ni為輸入層的節(jié)點(diǎn)數(shù)，n0為輸出層的輸出的節(jié)點(diǎn)數(shù)，則一般選取的隱含層的節(jié)點(diǎn)數(shù)為：(4.3)這里，h為1~10之間的任意常數(shù)。(3)傳輸函數(shù)這里選用的傳輸函數(shù)為S函數(shù)，即：（4.4）如上所述，采用S函數(shù)可將樣本數(shù)據(jù)映射在（-1,1）之間內(nèi)，這樣不僅解決了可能出現(xiàn)的過(guò)飽和現(xiàn)象，而且還盡可能地使輸入樣本盡可能大，更好地反映了輸入輸出之間的關(guān)系。由此可得，預(yù)測(cè)模型的輸入是一個(gè)24×12的矩陣，輸出的節(jié)點(diǎn)數(shù)是24個(gè)，由此可取隱含層的節(jié)點(diǎn)數(shù)為10個(gè)。輸入的樣本數(shù)據(jù)都要經(jīng)過(guò)歸一化的處理，且降雨、溫度及日照等都取量化后的值，網(wǎng)絡(luò)的輸出則要回歸為負(fù)荷值。4.5程序流程圖 本論文通過(guò)MATLAB的仿真軟件進(jìn)行仿真，仿真的流程圖如下所示：開(kāi)始輸入已知訓(xùn)練數(shù)開(kāi)始輸入已知訓(xùn)練數(shù)數(shù)據(jù)修正，進(jìn)行歸一化處理；降雨、溫度、日照等進(jìn)行量化處理根據(jù)日類型，形成兩樣學(xué)習(xí)樣本集學(xué)習(xí)樣本集與日期、氣象等結(jié)合形成輸入矩陣建立網(wǎng)絡(luò)，初始化神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播方法訓(xùn)練網(wǎng)絡(luò)的閥值和權(quán)值基于誤差反向傳播完成負(fù)荷預(yù)測(cè)輸出負(fù)荷預(yù)測(cè)結(jié)果結(jié)束圖4.3應(yīng)用BP算法的短期負(fù)荷預(yù)測(cè)流程圖4.6預(yù)測(cè)結(jié)果4.6.1BP算法預(yù)測(cè)結(jié)果本文應(yīng)用上述的模型，對(duì)南方某地區(qū)8月16日實(shí)際的電力系統(tǒng)負(fù)荷進(jìn)行了預(yù)測(cè)，預(yù)測(cè)的結(jié)果如下所示：注：實(shí)線和虛線分別表示實(shí)際負(fù)荷和預(yù)測(cè)負(fù)荷圖4.3預(yù)測(cè)負(fù)荷與實(shí)際負(fù)荷對(duì)比表4.1